Як нейромережі скорочують витрати на проектування мікрокапельних генераторів?

Симуляція як вузьке місце

Проектування мікрорідного чіпа означає вибір ширини каналів і швидкості потоку. До того ж треба облікувати властивості рідин у просторі з десятками вимірів. Кожен варіант вимагає симуляції Volume-of-Fluid, що розв'язує межу між двома незмішними рідинами. Один точний запуск займає години на кластері. Повний перебір параметрів стає обчислювально неможливим.

Інженери давно намагаються замінити решатор сурогатною моделлю. Нейромережу, натреновану на кількох сотнях симуляцій, передбачає діаметр краплі за мілісекунди. Проблема — у довірі. Коли мережа бачить вхідні дані далеко від тренувальних, вона галюцинує. У генерації крапель фізика змінюється різко на межах режимів — крапловий переходить у струмковий, або нитка розривається на супутні краплі. Мала зміна параметра біля таких меж повністю перевертає результат. Сурогат не знає, що він лише гадає.

Ансамбль вивчає власні помилки

Автори навчають не одну мережу, а ансамбль. Кожен учасник отримує однакові вхідні дані і передбачає режим потоку. Окремо передбачає діаметр краплі. Для класифікації режиму вимірюють згоду: якщо всі члени згодні — невизначеність низька; якщо розійшлись — висока. Для діаметра використовують коефіцієнт варіації по ансамблю. Обидві метрики стрибають в тих самих місцях — на переходах між режимами.

Цей стрибок не шум. Він позначає зону, де фізика надзвичайно чутлива до збурень параметрів. Метод запускає фізично-інформоване збагачення. Нові симуляції стартують саме там, де ансамбль найбільше не згоден. Рідкісні режими, що з'являються лише в кількох зразках, отримують додаткову увагу. Сурогати донавчають на розширеному наборі. Цикл повторюється, поки карта невизначеності не вирівняється.

Невизначеність концентрується біля меж переходу режимів.

Від прогнозу до проектування

Отримавши калібрований ансамбль, команда обгортає його циклом оптимізації рою частинок. Оптимізатор пропонує набори параметрів, що влучають у цільовий розмір краплі. Ансамбль повертає прогноз плюс довірчий інтервал. Кандидати, де інтервал широкий, відкидаються. Теж відкидаються ті, де передбачений режим порушує фізичні обмеження. Це балансує точність і впевненість прогнозу. Фізичну узгодженість перевіряють окремо.

Перевірка на незалежних тестових наборах показує: збагачені ансамблі досягають вищої точності. Частка прогнозів у межах 0–3 % помилки по діаметру майже подвоїлася. Випадки з помилкою понад 10 % суттєво зменшилися. Процедура зворотного проектування надійно знаходить фізично реалізовані конфігурації для цільового розміру. Обчислювальні витрати впали на порядки порівняно з грубим перебором симуляцій.

Де метод зупиняється

Стаття демонструє фреймворк на конкретній геометрії фокусування потоку. Чи збігається той самий цикл збагачення для T-розгалужень — не перевірено. Крокові емульгатори чи активне сортування крапель теж не тестували. Розмір ансамблю та поріг згоди — фіксовані вибори. Гіперпараметри роду також задано жорстко; їх чутливість не звітується. Автори зазначають потенційну придатність для широкого кола мікрорідних систем, але не оцінюють зусилля на перенос. Для лабораторії, що вже має перевірений CFD-конвеєр, точка беззбитковості за кількістю проєктів залишається відкритим питанням.